基于注意力深度学习模型的云属性联合检索
计算机视觉与模式识别
2025-04-10 v2
摘要
精准的云属性检索对于理解云的行为及其对气候的影响至关重要，包括天气预报、气候建模和估算地球辐射平衡等应用。独立像素近似（IPA）是一种广泛使用的基于物理的方法，通过假设每个像素独立于其邻居来简化辐射传输计算。虽然IPA计算高效，但存在显著局限性，如3D辐射效应导致的误差、云边缘处的错误以及对重叠或异构云场的无效性。近期基于人工智能/机器学习的深度学习模型通过利用像素之间的空间关系显著提高了检索精度。然而，这些模型往往计算密集，仅能检索单一云属性，或难以实现联合属性检索。为克服这些挑战，我们提出了CloudUNet with Attention Module（CAM），这是一种紧凑的UNet-based模型，采用注意力机制减少厚重、重叠云区域的误差，并针对云光学厚度（COT）和云有效半径（CER）的联合检索设计了专用损失函数。在大尺度涡流动力学（LES）数据集上的实验表明，我们的CAM模型在深度学习方法中取得了领先成绩，COT的平均绝对误差（MAE）降低34%，CER的MAE降低42%，与IPA方法相比，COT和CER检索的MAE分别降低了76%和86%。
关键词
引用
@article{arxiv.2504.03133,
title = {Joint Retrieval of Cloud properties using Attention-based Deep Learning Models},
author = {Zahid Hassan Tushar and Adeleke Ademakinwa and Jianwu Wang and Zhibo Zhang and Sanjay Purushotham},
journal= {arXiv preprint arXiv:2504.03133},
year = {2025}
}
备注
6 Pages, 4 figures, to be published in 2025 IEEE International Geoscience and Remote Sensing Symposium (IGARSS 2025)